十年垂直軟體經驗談：LLM 對行業軟體的衝擊與展望
日期: Mon Feb 16 20:55:41 +0000 2026
標籤:
垂直軟體LLM衝擊商業模式
我會幫你整理這篇關於垂直軟體的深度文章。讓我先確認一下這篇文章的分類歸屬。
從內容來看，這篇文章主要討論：
- LLM 對垂直軟體（Vertical SaaS）產業的衝擊
- AI 工具如何改變企業軟體的競爭格局
- 作者同時建立傳統 SaaS（Doctrine）和 AI 驅動產品（Fintool）的經驗
這篇文章應該歸類到 ai-tools 分類，因為核心主題是 LLM/AI 如何顛覆軟體產業。
讓我開始整理文章內容：
來源: @nicbstme (Nicolas Bustamante)
日期: 2025-02
標籤:LLMvertical-saasai-disruptionsoftware-moatsenterprise-software
過去幾週內，軟體與服務類股市值蒸發近 1 兆美元。FactSet 從高峰的 200 億美元跌至不到 80 億。S&P Global 數週內損失 30%。Thomson Reuters 一年內市值腰斬。涵蓋 140 家公司的 S&P 500 軟體與服務指數，年初至今下跌 20%。
上週，Anthropic 發布了 Claude Cowork 的產業專用外掛——這是一個專為知識工作者設計的 AI 代理，能自主處理複雜的研究、分析和文件工作流程。
華爾街稱之為恐慌。我過去十年都在建立垂直 SaaS。先是 Doctrine（現在是歐洲最大的法律資訊平台，與 LexisNexis、Westlaw 競爭），然後是 Fintool（一個 AI 驅動的股票研究平台，在美國與 Bloomberg、FactSet 和 S&P Global 競爭）。
我建立了那種正被 LLM 威脅的軟體。而現在我正在建立那種正在進行威脅的軟體。我站在這場顛覆的兩側。
以下是我的觀察：LLM 正在系統性地拆解那些讓垂直軟體具有防禦性的護城河。但不是全部。結果是重新定義什麼讓垂直軟體有價值，以及它值得什麼樣的估值倍數。
本文內容：
- 讓垂直軟體具有防禦性的十大護城河，以及 LLM 對每一個的影響
- 為什麼市場拋售在結構上是合理的，但在時間上被誇大了
- 真正的威脅是什麼（不是你想的那樣）
- 什麼會取代垂直軟體
- 垂直軟體產業的下一步
垂直軟體的十大護城河（以及 LLM 對每一個的影響）
垂直軟體是為特定產業建立的軟體。金融領域的 Bloomberg、法律領域的 LexisNexis、醫療領域的 Epic、建築領域的 Procore、生命科學領域的 Veeva 等等。
這些公司有一個共同特徵：收費高昂，客戶很少離開。FactSet 每位用戶每年收費超過 15,000 美元。Bloomberg Terminal 每個席位 25,000 美元。LexisNexis 每月向律師事務所收取數千美元。而客戶留存率徘徊在 95% 左右。
我認為有十種不同的護城河。LLM 正在攻擊其中一些，而讓其他保持完整。理解哪些是哪些就是整個遊戲。
1. 學習介面 → 被摧毀
Bloomberg Terminal 用戶花了數年時間學習鍵盤快捷鍵、功能代碼和導航模式。GP、FLDS、GIP、FA、BQ。這些都不直觀。它們是一種語言。一旦你流利地說這種語言，切換到另一個平台就意味著再次變成文盲。
我無數次聽到這樣的話。「我們是 FactSet 公司。」「我們是 Lexis 事務所。」「我們是 Bloomberg 機構。」這些不是關於資料品質或功能集的陳述。它們是關於軟體肌肉記憶的陳述。人們花了十年學習這個工具。這種投資不可轉移。
這是最被低估的護城河。知識工作者付費是為了不用重新學習他們花了十年掌握的工作流程。介面本身就是價值主張的重要部分。
我在 Doctrine 親身經歷過這個。我們有一個設計師團隊和一小群客戶成功經理，他們的全部工作就是讓律師上手我們的介面。每次 UI 變更都是一個專案：用戶研究、設計衝刺、謹慎推出、手把手指導。我們會花幾週時間重新設計一個分面搜尋過濾器，因為律師已經對舊的建立了肌肉記憶。介面不是一個功能。它就是產品。而維護它是我們最大的成本中心之一。
在 Fintool，我們沒有入門培訓。沒有 CSM 教人們如何導航產品。我們的用戶用純英文輸入他們想要什麼，然後得到答案。沒有需要學習的介面，因為全部都是對話。整個成本中心——設計師、CSM、UI 變更管理——就這樣不存在了。對話介面吸收了所有這些支架。
LLM 將所有專有介面摺疊成一個對話介面。
考慮今天金融分析師在 Bloomberg Terminal 上做什麼。他們導航到股票篩選功能。使用專門的語法設定參數。匯出結果。切換到 DCF 模型建構器。輸入假設。執行敏感性分析。匯出到 Excel。建立簡報。
每一步都需要學習的介面知識。每一步都強化了轉換成本。
現在考慮同一位分析師使用 LLM 代理做什麼：
「顯示所有市值超過 10 億美元、本益比低於 30、營收年增長超過 20% 的軟體公司。為前 5 名建立 DCF 模型。對折現率和終值增長率執行敏感性分析。」
三句話。沒有鍵盤快捷鍵。沒有功能代碼。沒有導航。用戶甚至不知道 LLM 查詢了哪個資料提供者。他們不在乎。
當介面是自然語言對話時,多年的肌肉記憶變得毫無價值。那個證明每席位每年 25,000 美元合理的轉換成本消失了。對許多垂直軟體公司來說，介面是大部分價值。底層資料是授權的、公開的或半商品化的。證明溢價定價合理的是建立在該資料之上的工作流程。那已經結束了。
2. 客製化工作流程和業務邏輯 → 蒸發
垂直軟體編碼了一個產業實際如何運作。法律研究平台不只是儲存判例法。它編碼了引用網絡、Shepardize 信號、headnote 分類法，以及訴訟助理建立訴訟摘要的具體方式。
這個業務邏輯花了數年時間建立。它反映了與領域專家的數千次對話。當我建立 Doctrine 時，最困難的部分不是技術。而是理解律師實際如何工作：他們如何研究判例法、如何起草文件、如何從接案到審判建立訴訟策略。將這種理解編碼成可運作的軟體，是垂直軟體有價值且具有防禦性的重要部分。
LLM 將所有這些變成一個 markdown 檔案。
這是最被低估的轉變，我認為是長期來看最具破壞性的。
傳統垂直軟體在程式碼中編碼業務邏輯。數千個 if/then 分支、驗證規則、合規檢查、審批工作流程。由工程師經過數年硬編碼……而且不只是任何工程師。你需要真正理解領域的軟體工程師，這很罕見。找到既能寫生產程式碼又理解訴訟工作流程實際如何運作，或 DCF 模型應該如何建構的人，是非常困難的。修改這個業務邏輯需要開發週期、QA、部署。
讓我給你一個我自己經驗的具體例子。
在 Doctrine，我們建立了一個法律研究工作流程，幫助律師為給定的法律問題找到相關判例法。系統需要理解法律領域（民事 vs. 刑事 vs. 行政）、將問題解析成可搜尋的概念、跨多個法院資料庫查詢、按相關性和權威性排名結果，並以適當的引用上下文呈現它們。建立這個花了一個工程師和法律專家團隊數年時間。業務邏輯分散在數千行 Python、自訂排名演算法和手動調整的相關性模型中。每次修改都需要工程衝刺、程式碼審查、測試和部署。
在 Fintool，我們有一個 DCF 評估技能。它告訴 LLM 代理如何進行折現現金流分析：收集哪些資料、如何按產業計算 WACC、驗證哪些假設、如何執行敏感性分析、何時加回股票薪酬。這是一個 markdown 檔案。寫它花了一週。更新它需要幾分鐘。一個做過 500 次 DCF 評估的投資組合經理可以編碼他們的整個方法論,而不用寫一行程式碼。
數年工程 versus 一週寫作。這就是轉變。
而且不只是速度。markdown 技能在重要方面更好。任何人都可以閱讀。它是可審計的。它可以按用戶客製化（我們的客戶寫他們自己的技能）。而且隨著底層模型改進，它會自動變得更好，而我們不用觸碰一行程式碼。
業務邏輯正在從專業工程師編寫的程式碼遷移到任何有領域專業知識的人都能編寫的 markdown 檔案。垂直軟體公司花了十年建立的累積業務邏輯現在可以在數週內複製。工作流程護城河正在快速侵蝕。
3. 公開資料存取 → 商品化
垂直軟體價值主張的很大一部分是讓難以存取的資料變得容易查詢。FactSet 使 SEC 申報文件可搜尋。LexisNexis 使判例法可搜尋。這些是真正的服務。SEC 申報文件在技術上是公開的，但試試閱讀原始 HTML 格式的 200 頁 10-K。結構在公司之間不一致。會計術語很密集。提取你需要的實際數字需要解析嵌套表格、跟隨腳註參考、協調重述數字。
在 LLM 之前，存取這些公開資料需要專門的軟體和大量的工程支架。像 FactSet 這樣的公司建立了數千個解析器，每種申報類型一個，每個公司的特殊格式一個。工程師大軍維護這些解析器，因為格式會變化。將原始 SEC 申報文件轉換成可查詢資料的程式碼是真正的競爭優勢。
在 Doctrine，這也是很多工作。我們為不同的判例法建立了 NLP 管道：命名實體識別以提取法官、法院、法律概念。專用的 ML 模型按法律領域分類判決。每個法院的自訂解析器，每個都有自己的格式怪癖。我們有工程師花了數年時間建立和維護這個支架。這是真正令人印象深刻的技術，而且是真正的護城河，因為複製它意味著數年的工作。
在 Fintool，我們沒有建立任何這些。零 NER。零自訂解析器。零產業特定分類器。為什麼？因為前沿模型已經知道如何導航 10-K。它們知道 Home Depot 的股票代碼是 HD。它們理解 GAAP 和非 GAAP 營收之間的差異。它們可以解析分部披露的嵌套表格，而不用被教授架構。Doctrine 花了數年建立的解析基礎設施現在是一個與模型一起免費提供的商品能力。
LLM 使這變得微不足道。前沿模型已經從它們的訓練資料中知道如何解析 SEC 申報文件。它們理解 10-K 的結構、在哪裡找到營收確認政策、如何協調 GAAP 和非 GAAP 數字。你不需要建立解析器。模型就是解析器。給它一個 10-K，它可以回答關於它的任何問題。給它整個聯邦判例法語料庫，它可以找到相關先例。
垂直軟體花了數十年建立的解析、結構化和查詢現在是烘焙到基礎模型本身的商品能力。資料不是毫無價值的。但「使其可搜尋」這一層，也就是很多價值和定價權所在的地方，正在崩潰。
4. 人才稀缺性 → 反轉
建立垂直軟體需要既理解領域又理解技術的人。找到一個既能寫生產程式碼又理解信用衍生品如何建構的工程師是極其罕見的。這種稀缺性創造了一個自然的進入障礙，歷史上限制了任何垂直領域的嚴肅競爭者數量。
LLM 完全翻轉了這個護城河。
在 Doctrine，招聘很殘酷。我們不只是需要優秀的工程師。我們需要能理解法律推理的工程師：先例如何運作、司法管轄權如何互動、上訴到最高法院的理由是什麼樣子。這些人幾乎不存在。所以我們自己培養。每週我們都舉行內部講座，律師教工程師法律系統實際如何運作。新工程師需要幾個月才能變得有生產力。人才稀缺性是一個真正的障礙，不只是對我們，對任何試圖與我們競爭的人都是。
在 Fintool，我們不做任何這些。我們的領域專家（投資組合經理、分析師）直接將他們的方法論寫入 markdown 技能檔案。他們不需要學習 Python。他們不需要理解 API。他們用純英文寫出好的 DCF 分析是什麼樣子，然後 LLM 執行它。工程由模型處理。領域專業知識，一直是豐富的資源，現在可以直接成為軟體，而不需要工程瓶頸。
LLM 使工程變得微不足道地可存取，這意味著稀缺資源（領域專業知識）在其成為軟體的能力上突然變得豐富。這就是為什麼進入障礙如此戲劇性地崩潰。
5. 捆綁 → 削弱
垂直軟體公司通過捆綁相鄰能力來擴張。Bloomberg 從市場資料開始，然後加入訊息、新聞、分析、交易和合規。每個新模組都增加了轉換成本，因為客戶現在依賴整個生態系統，而不只是一個產品。S&P Global 以 440 億美元收購 IHS Markit 正是這個策略。捆綁成為護城河。
在 Doctrine，捆綁是增長策略。我們從判例法搜尋開始，然後加入立法，然後法律新聞，然後警報，然後文件分析。每個模組都有自己的 UI、自己的入門培訓、自己的客戶工作流程。我們建立了精緻的儀表板，律師可以在那裡配置監視列表、設定特定法律主題的自動警報、管理他們的研究資料夾。每個功能都意味著更多設計工作、更多工程、更多 UI 表面積。捆綁讓客戶鎖定，因為他們已經圍繞我們的生態系統建立了整個工作流程。
LLM 代理打破捆綁護城河,因為代理就是捆綁。在 Fintool，警報是一個提示。監視列表是一個提示。投資組合篩選是一個提示。每個都沒有單獨的模組。沒有要維護的 UI。客戶說「當我投資組合中的任何公司在財報電話會議中提到關稅風險時提醒我」，它就能運作。代理在單一工作流程中協調跨十個不同的專門工具。它可以從一個來源提取市場資料、從另一個來源提取新聞、通過第三個執行分析，並編譯結果。用戶永遠不知道或不在乎查詢了五個不同的服務。
當整合層從軟體供應商移到 AI 代理時，購買捆綁的動機蒸發了。為什麼要為整個套件支付 Bloomberg 的溢價，當代理可以為每個能力挑選最好的（或最便宜的）提供者？
這不意味著捆綁立即死亡。管理十個供應商關係 versus 一個的運營複雜性是真實的。但方向性壓力是明確的：代理使解綁在以前不可能的方式變得可行。
6. 私有和專有資料 → 更強
一些垂直軟體公司擁有或授權在其他地方不存在的資料。Bloomberg 從全球交易台收集即時定價資料。S&P Global 擁有信用評級和專有分析。Dun & Bradstreet 維護 5 億多個實體的企業信用檔案。這些資料是經過數十年收集的，通常是通過獨家關係。你不能只是爬取它。你不能重新創建它。
如果你的資料真的不能被複製，LLM 使它更有價值，而不是更少。
Bloomberg 從交易台獲得的即時定價資料？不能被爬取。不能被合成。不能從第三方授權。在 LLM 世界中，這些資料成為每個代理都需要的稀缺輸入。Bloomberg 對專有資料的定價權實際上可能會增加。
S&P Global 的信用評級是類似的。信用評級不只是資料。它是由受監管的方法論和數十年違約資料支持的意見。LLM 不能發布信用評級。S&P 可以。
測試很簡單：這些資料能被其他人獲得、授權或合成嗎？如果不能，護城河保持。如果能，你有麻煩了。
我在兩家公司都看到了這個。當我們開始 Doctrine 時，核心價值是用產業特定的支架組織公開判例法：分類法、引用網絡、相關性排名。但團隊很早就認識到，僅公開資料是不夠的。
大約五年前，Doctrine 開始建立獨家內容庫：專有的法律註釋、編輯分析、在其他地方不存在的精選評論。今天，該庫真的很難複製，它已成為真正的護城河。再加上完全轉向 LLM，Doctrine 現在正在起飛！
在這個轉型中倖存下來的公司是那些從「我們更好地組織公開資料」轉向「我們擁有你在其他地方得不到的資料」的公司。
這是改變的地方：那個智慧層過去需要數年的工程。現在它是模型附帶的能力。甚至資料存取本身也正在被商品化。
MCP（模型上下文協議）正在將每個資料提供者變成外掛。數十家公司已經將金融資料作為任何 AI 代理都可以查詢的 MCP 伺服器提供。當你的資料作為 Claude 外掛提供時，「使其可存取」的溢價消失了。
諷刺的是，LLM 加速了分化。擁有專有資料的公司贏得更大。沒有它的公司失去一切。
如果你的資料不是真正獨特的——如果它可以在其他地方獲得、授權或合成——你不安全。你面臨商品化的風險。AI 代理將擁有與客戶的關係。它將是用戶互動的介面、他們信任的品牌、他們支付的產品。你成為代理的供應商，而不是客戶的供應商。
這是聚合理論在即時上演：聚合者（代理）捕獲用戶關係和利潤，而供應商（資料供應商）競相以價格來餵養平台。如果 Bloomberg、FactSet 和十幾個較小的提供者都提供類似的市場資料，代理將路由到最便宜的。你的定價權蒸發。你的利潤壓縮。你成為其他人產品的商品輸入。
7. 監管和合規鎖定 → 結構性
在醫療保健領域，Epic 的主導地位不只是關於產品品質。它是關於 HIPAA 合規、FDA 認證，以及醫院忍受的 18 個月實施週期。切換 EHR 供應商是一個多年、數百萬美元的專案，實際上有患者安全風險。在金融服務領域，合規要求創造了類似的鎖定。審計軌跡、監管報告、資料保留政策。全部烘焙到軟體中。
HIPAA 不在乎 LLM。FDA 認證不會因為 GPT-5 存在而變得更容易。SOX 合規要求不會因為 Anthropic 發布了一個新外掛而改變。
Epic 在醫療保健 EHR 中的主導地位從根本上是一個監管護城河。18 個月的實施週期、合規認證、與醫院計費系統的整合。這些都不受 LLM 影響。
事實上，監管要求可能會在合規鎖定最強的垂直領域減緩 LLM 採用。醫院不能用 LLM 代理替換 Epic，因為 LLM 代理沒有 HIPAA 認證、沒有所需的審計軌跡，也沒有被 FDA 驗證用於臨床決策支援。
8. 網路效應 → 黏性
一些垂直軟體隨著更多產業參與者使用而變得更有價值。Bloomberg 的訊息功能（IB chat）是華爾街事實上的通訊層。如果每個交易對手都使用 Bloomberg，你就必須使用 Bloomberg。不是因為資料。是因為網路。
LLM 不會打破網路效應。如果有的話，它們可能會使通訊網路更有價值。通過這些網路流動的資訊成為訓練資料、上下文、信號。
這同樣適用於任何在產業內作為通訊層運作的垂直軟體。Veeva 跨製藥公司的網路效應。Procore 跨建築利益相關者的網路效應。這些是黏性的，因為價值來自平台上還有誰，而不是來自介面。
9. 交易嵌入 → 持久
一些垂直軟體直接位於金流中。餐廳的支付處理。銀行的貸款發放。保險公司的理賠處理。當你嵌入在交易中時，切換意味著中斷收入。沒有人自願這樣做。
如果你的軟體處理支付、發放貸款或結算交易，LLM 不會解除你的中介。它可能作為更好的介面坐在你之上，但軌道本身仍然是必不可少的。
Stripe 不受 LLM 威脅。FIS 或 Fiserv 也不是。交易處理層是基礎設施，不是介面。
10. 記錄系統狀態 → 長期威脅
當你的軟體是關鍵業務資料的權威來源時，切換不只是不方便。它是存在性風險。如果資料在遷移期間損壞怎麼辦？如果歷史記錄丟失怎麼辦？如果審計軌跡中斷怎麼辦？
Epic 是患者資料的記錄系統。Salesforce 是客戶關係的記錄系統。這些公司受益於留下的成本（高費用）和離開的成本（潛在的資料丟失、運營中斷）之間的不對稱。
LLM 今天不直接威脅記錄系統狀態。但代理正在悄悄建立自己的。
這是正在發生的事情：AI 代理不只是查詢現有系統。它們讀取你的 SharePoint、你的 Outlook、你的 Slack。它們收集關於用戶的資料。它們編寫跨會話持續的詳細記憶檔案。當它們執行關鍵操作時，它們儲存該上下文。隨著時間的推移，代理累積了比任何單一記錄系統更豐富、更完整的用戶工作圖景。
代理的記憶成為新的真相來源。不是因為有人計劃它，而是因為代理是看到一切的一層。Salesforce 看到你的 CRM 資料。Outlook 看到你的電子郵件。SharePoint 看到你的文件。代理看到所有三個，並且記住。
這不會在一夜之間發生。但方向性地，代理正在從頭開始建立自己的記錄系統。隨著代理的上下文記憶增長，傳統記錄系統的護城河削弱。
淨效應：進入障礙崩潰
加起來。五個護城河被摧毀或削弱。五個保持。但打破的五個是那些讓競爭者無法進入的。保持的是只有一些現任者擁有的。
在 LLM 之前，建立一個可信的 Bloomberg 或 LexisNexis 競爭者需要數百名理解領域的工程師、數年的開發時間、大規模的資料授權交易、可以向保守企業銷售的銷售團隊，以及監管認證。結果：大多數垂直領域有 2-3 個嚴肅的競爭者。
在 LLM 之後，一個小團隊擁有前沿模型 API、領域專業知識和良好的資料管道，可以在幾個月內建立一個處理垂直軟體 80% 功能的產品。我知道這個，因為我做過。Fintool 由六人團隊建立。我們為以前完全依賴 Bloomberg 和 FactSet 的對沖基金服務。不是因為我們有更好的資料。因為我們的 AI 代理比需要數年訓練才能掌握的終端機/工作站更快、更直觀地提供答案。
關鍵的洞察是，競爭不會線性增加——它會組合式爆炸。你不會從 3 個現任者變成 4 個。你從 3 個變成 300 個。這就是使定價權崩潰的原因。在 LLM 之前，每個垂直領域有 2-3 個主導者收取溢價，因為進入障礙是不可逾越的。當 50 個 AI 原生新創公司可以以 20% 的價格提供 80% 的能力時，這個數學完全改變了。
細微差別：這是一個多年的轉型，不是一夜之間的崩潰
這就是我認為市場在時間上出錯的地方，即使方向是對的。
企業收入不會在一夜之間消失
FactSet 的客戶是多年合約。Bloomberg Terminal 合約通常是 2 年最低。這些合約不會因為 Anthropic 發布了一個外掛而蒸發。
企業採購週期以季度和年計量，而不是天。一個 500 億美元的對沖基金不會因為 Claude 可以查詢 SEC 申報文件而明天撕掉 S&P Global CapIQ。他們會在 12-18 個月內評估替代方案。他們會執行試點計劃。他們會談判合約條款。他們會等待現有合約到期。
收入懸崖是真實的，但它是一個斜坡，不是懸崖。當前收入在很大程度上在未來 12-24 個月內鎖定。
但這就是市場已經理解的事情：你不需要收入下降就能讓股票崩潰。你需要倍數壓縮。一個金融資料公司，當它有定價權和 95% 留存率時以 15 倍營收交易，當市場相信兩者都在侵蝕時可能以 6 倍營收交易。收入保持平穩。股票下跌 60%。這正是現在一些公司正在發生的事情。
市場不是在定價收入崩潰。它是在定價溢價倍數的結束，因為證明該倍數合理的護城河正在消解。
真正的威脅
真正的威脅不是 LLM 本身。這是垂直軟體現任者沒有看到的鉗形運動。
從下方，數百個 AI 原生新創公司正在進入每個垂直領域。當建立一個可信的金融資料產品需要 200 名工程師和 5000 萬美元的資料授權時，市場自然整合到 3-4 個參與者。當它需要 10 名工程師和前沿模型 API 時，市場猛烈分裂。競爭從 3 變成 300。
從上方，橫向平台首次深入垂直領域。Excel 內的 Microsoft Copilot 現在進行 AI 驅動的 DCF 建模和財務報表解析。Word 內的 Copilot 進行合約審查和判例法研究。橫向工具通過 AI 成為垂直的，而不是通過工程。
Anthropic 從另一個方向做同樣的事情。我近距離觀察這個，因為 Fintool 是一家 Anthropic 支持的公司。Claude 全力以赴垂直化。而劇本非常簡單：一個通用代理線束（SDK）、可插拔的資料存取（MCP）和領域特定技能（markdown 檔案）。就是這樣。這就是你從橫向變成垂直所需的整個堆疊。沒有領域工程師。沒有數年的開發。
軟體正在變成無頭的。介面消失。一切通過代理流動。重要的不再是軟體。是擁有客戶關係和使用案例，這意味著擁有代理本身。
使垂直深度成為可能的技術（LLM + 技能 + MCP）是讓橫向平台最終能在他們以前永遠無法達到的領域競爭的相同技術。這可能是垂直軟體最存在性的威脅：像 Microsoft 這樣的橫向 B2B 參與者不只是涉足垂直領域——他們正在積極地擴展到其中，因為現在比以往任何時候都容易，而且因為他們需要擁有使用案例和工作流程，以在 AI 優先的世界中保持相關性。
評估風險的框架
並非所有垂直軟體都同樣暴露。以下是我如何思考哪些類別倖存，哪些不倖存。
高風險：搜尋層
如果你的主要價值是通過專門的介面使資料可搜尋和可存取，而底層資料是公開的或可授權的，你有嚴重的麻煩。這包括建立在授權交易所資料上的金融資料終端、建立在公開判例法上的法律研究平台、專利搜尋工具，以及任何垂直領域，其中產品本質上是「我們為你的產業資料建立了更好的搜尋引擎」。
這些公司以 15-20 倍營收交易，因為介面鎖定和有限的競爭。兩者都在蒸發。想想過去一年失去 40-60% 市值的金融資料提供者。市場是對的，要重新定價它們。
中等風險：混合投資組合
許多垂直軟體公司有防禦性和暴露性業務線的混合。一家公司可能有真正專有的評級業務，同時有一個資料分析部門，主要是重新包裝的公開資訊。或者一個指數授權業務（嵌入在交易中，非常有防禦性）同時有一個研究平台（純搜尋層，非常暴露）。
這個類別的股票下跌（20-30%）反映了市場對哪些部門主導估值的不確定性。關鍵問題：收入的多少百分比來自 LLM 無法觸及的護城河？
較低風險：監管堡壘
如果你的護城河是監管認證、合規基礎設施和與關鍵任務工作流程的深度整合，LLM 在中期內幾乎與你的競爭地位無關。擁有 HIPAA 合規和 FDA 驗證的醫療保健 EHR 系統。擁有監管鎖定的生命科學平台。金融合規和報告基礎設施。
這些公司甚至可能從其他地方的 AI 顛覆中受益，因為客戶在監管工作流程方面鞏固到他們信任的供應商周圍，同時從他們用於資訊檢索的供應商那裡切換。
測試
對於任何垂直軟體公司，問三個問題:
資料是專有的嗎？如果是，護城河保持。如果不是，可存取層正在崩潰。
有監管鎖定嗎？如果是，LLM 不會改變轉換成本方程式。如果不是，轉換成本主要由介面驅動並正在消解。
軟體嵌入在交易中嗎？如果是，LLM 坐在你之上，而不是代替你。如果不是，你是可替換的。
零個「是」答案：高風險。一個：中等風險。兩個或三個：你可能沒事。
我從兩側建立中學到的
當我從 2016 年開始建立 Doctrine 時，護城河之一是介面。我們在判例法和立法上建立了美麗的搜尋體驗。律師喜歡它，因為它比市場上任何其他東西都更快、更直觀。大部分資料是公開的，但我們的介面和搜尋使其可存取。如果我今天從頭開始建立 Doctrine，該業務將面臨根本不同的競爭格局。LLM 代理可以像我們的介面一樣有效地查詢判例法。
垂直 SaaS 清算不是關於所有垂直軟體死亡。它是關於市場最終區分擁有真正稀缺的公司，這些公司對 LLM 代理是安全的。
★ Insight ─────────────────────────────────────
LLM 對垂直軟體的三個關鍵洞察：
護城河重新定義：十大護城河中，「學習介面」、「業務邏輯」、「公開資料存取」、「人才稀缺」、「捆綁」五個正被 LLM 摧毀；而「專有資料」、「監管鎖定」、「網路效應」、「交易嵌入」四個反而更強（記錄系統長期威脅）。這不是垂直軟體的終結，而是價值來源的重新分配。
商品化的真正意義：當介面摺疊成對話、業務邏輯變成 markdown 檔案、公開資料解析成為模型能力——競爭者從 3 家變成 300 家。定價權蒸發不是因為產品變差，而是因為進入障礙崩潰。
代理成為新的聚合者：MCP 協議讓所有資料提供者變成外掛，代理擁有客戶關係。沒有專有資料的公司從「客戶的供應商」降級為「代理的原料」，利潤空間被壓縮。這是聚合理論在 B2B 軟體的即時上演。
─────────────────────────────────────────────────